اکسپرس 24
کتاب یادگیری ماشین قابل توضیح (PAC Learning) در نظریه یادگیری ماشین

کتاب یادگیری ماشین قابل توضیح (PAC Learning) در نظریه یادگیری ماشین

تگ‌ها: الگوریتم های یادگیری ماشین مبانی یادگیری ماشین مفاهیم یادگیری ماشین نظریه یادگیری ماشین هوش مصنوعی یادگیری PAC یادگیری قابل توضیح یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین قابل توضیح (PAC Learning) در نظریه یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی نظری یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مبانی نظری یادگیری ماشین
  • 2. مقدمه‌ای بر یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری با ناظر
  • 5. یادگیری بدون ناظر
  • 6. یادگیری تقویتی
  • 7. مفهوم نظریه یادگیری آماری
  • 8. مفاهیم اساسی یادگیری آماری
  • 9. نمونه‌برداری و توزیع داده
  • 10. تابع خطای واقعی
  • 11. تابع خطای تجربی
  • 12. حد پایین خطای واقعی
  • 13. مدل‌های آماری
  • 14. پیچیدگی مدل
  • 15. بیش‌برازش (Overfitting)
  • 16. کم‌برازش (Underfitting)
  • 17. مفهوم PAC Learning
  • 18. یادگیری قابل اعتماد تقریب‌زننده
  • 19. حدود PAC
  • 20. مفهوم کلاس‌های قابل یادگیری
  • 21. کلاس‌های Vapnik-Chervonenkis (VC)
  • 22. ابعاد VC
  • 23. قضیه اصلی یادگیری PAC
  • 24. ارتباط بین ابعاد VC و PAC Learning
  • 25. تعمیم‌پذیری مدل
  • 26. تخمین خطای تعمیم
  • 27. بایاس و واریانس
  • 28. تعادل بایاس و واریانس
  • 29. روش‌های کاهش بایاس
  • 30. روش‌های کاهش واریانس
  • 31. اعتبارسنجی متقابل (Cross-validation)
  • 32. اعتبارسنجی K-fold
  • 33. اعتبارسنجی متقابل پیش‌بینانه
  • 34. تکنیک‌های تنظیم (Regularization)
  • 35. تنظیم L1 (Lasso)
  • 36. تنظیم L2 (Ridge)
  • 37. انتخاب مدل
  • 38. انتخاب ویژگی (Feature Selection)
  • 39. مهندسی ویژگی (Feature Engineering)
  • 40. مبانی الگوریتم‌های یادگیری ماشین
  • 41. رگرسیون خطی
  • 42. رگرسیون لجستیک
  • 43. ماشین‌های بردار پشتیبان (SVM)
  • 44. هسته‌های SVM
  • 45. درختان تصمیم
  • 46. جنگل‌های تصادفی (Random Forests)
  • 47. تقویت گرادیان (Gradient Boosting)
  • 48. شبکه‌های عصبی مصنوعی
  • 49. شبکه‌های عصبی پرسپترون چندلایه
  • 50. توابع فعال‌سازی
  • 51. پس‌انتشار خطا (Backpropagation)
  • 52. یادگیری عمیق
  • 53. شبکه‌های عصبی کانولوشنی (CNN)
  • 54. شبکه‌های عصبی بازگشتی (RNN)
  • 55. حافظه طولانی کوتاه‌مدت (LSTM)
  • 56. مفهوم فضای ویژگی
  • 57. تبدیلات فضای ویژگی
  • 58. یادگیری غیرخطی
  • 59. یادگیری خوشه‌ای (Clustering)
  • 60. الگوریتم K-Means
  • 61. خوشه‌بندی سلسله‌مراتبی
  • 62. الگوریتم DBSCAN
  • 63. مفاهیم پیشرفته PAC Learning
  • 64. حدود PAC برای کلاس‌های VC
  • 65. حدود PAC برای کلاس‌های غیر VC
  • 66. تئوری یادگیری آماری بیزی
  • 67. حدود PAC در یادگیری بیزی
  • 68. یادگیری آفلاین در مقابل آنلاین
  • 69. یادگیری فعال (Active Learning)
  • 70. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
  • 71. یادگیری چند وظیفه‌ای (Multi-Task Learning)
  • 72. یادگیری انتقالی (Transfer Learning)
  • 73. مفاهیم نظریه اطلاعات
  • 74. آنتروپی
  • 75. اطلاعات متقابل
  • 76. کاربرد نظریه اطلاعات در یادگیری ماشین
  • 77. الگوریتم‌های انتخاب ویژگی مبتنی بر اطلاعات
  • 78. مفاهیم بهینه‌سازی
  • 79. گرادیان کاهشی (Gradient Descent)
  • 80. بهینه‌سازهای پیشرفته
  • 81. مفاهیم احتمالاتی در یادگیری ماشین
  • 82. قضیه بیز
  • 83. مدل‌های احتمالی گرافیکی
  • 84. شبکه‌های بیزی
  • 85. میدان‌های تصادفی مارکوف
  • 86. کاربرد مدل‌های احتمالی در یادگیری ماشین
  • 87. یادگیری ماشینی اخلاقی و مسئولانه
  • 88. توضیح‌پذیری مدل‌های یادگیری ماشین
  • 89. مفسرپذیری (Interpretability)
  • 90. توضیح‌پذیری (Explainability)
  • 91. روش‌های توضیح‌پذیری مدل‌های جعبه سیاه
  • 92. LIME
  • 93. SHAP
  • 94. ارزیابی مدل‌های یادگیری ماشین
  • 95. معیارهای ارزیابی کلاسیک
  • 96. دقت (Accuracy)
  • 97. صحت (Precision)
  • 98. بازیابی (Recall)
  • 99. امتیاز F1
  • 100. منحنی ROC

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.